強(qiáng)大的人工智能推理：人工智能動(dòng)蕩的過(guò)去和不確定的未來(lái)

是否能打破人工智能繁榮與蕭條的周期循環(huán)？

1956年夏天，一群數(shù)學(xué)家和計(jì)算機(jī)科學(xué)家聚集在達(dá)特茅斯學(xué)院數(shù)學(xué)系大樓的頂層。在大約8周的時(shí)間里，他們?cè)O(shè)想了開拓一個(gè)新的研究領(lǐng)域的可能性。當(dāng)時(shí)還是達(dá)特茅斯學(xué)院青年教授的約翰?麥卡錫（John McCarthy）在撰寫會(huì)議提案時(shí)創(chuàng)造了“人工智能”一詞，并表示要探索這樣一個(gè)假設(shè)：“原則上，可以精確地描述出學(xué)習(xí)的每一個(gè)方面或智能的任何特征，從而制造出可以模擬的機(jī)器。” 

它有400個(gè)光傳感器，它們共同充當(dāng)視網(wǎng)膜，能夠向大約1000個(gè)進(jìn)行處理并產(chǎn)生單一輸出的“神經(jīng)元”提供信息。1958年，《紐約時(shí)報(bào)》的一篇文章援引羅森布拉特的話說(shuō)：“這臺(tái)機(jī)器將是第一臺(tái)像人腦一樣思考的設(shè)備?！?/span>在盲目樂(lè)觀主義的鼓勵(lì)下，美國(guó)和英國(guó)政府機(jī)構(gòu)投入了大量資金用于投機(jī)性研究。1967年，麻省理工學(xué)院教授馬文?明斯基（Marvin Minsky）寫道：“在一代人的時(shí)間之內(nèi)……創(chuàng)造‘人工智能’的問(wèn)題將得到實(shí)質(zhì)性解決。”然而此后不久，由于感到人工智能研究沒(méi)有達(dá)到其宣傳水平，政府開始停止資助。20世紀(jì)70年代出現(xiàn)了人工智能的第一個(gè)寒冬。然而，真正的信徒還在繼續(xù)戰(zhàn)斗。到20世紀(jì)80年代初，重新燃起的熱情為符號(hào)人工智能研究人員帶來(lái)了一個(gè)全盛時(shí)期，他們因“專家系統(tǒng)”而獲得了贊譽(yù)和資助，這些系統(tǒng)對(duì)法律、醫(yī)學(xué)等特定學(xué)科的知識(shí)進(jìn)行了編碼。投資者希望這些系統(tǒng)能很快實(shí)現(xiàn)商業(yè)應(yīng)用。最著名的符號(hào)人工智能風(fēng)險(xiǎn)項(xiàng)目始于1984年，當(dāng)時(shí)研究人員道格拉斯?勒納特（Douglas Lenat）開始研究一個(gè)名為“Cyc”的項(xiàng)目，旨在將常識(shí)編碼到機(jī)器中。時(shí)至今日，勒納特及其團(tuán)隊(duì)還在繼續(xù)向Cyc的本體添加術(shù)語(yǔ)（事實(shí)和概念），并通過(guò)規(guī)則解釋它們之間的關(guān)系。到2017年，該團(tuán)隊(duì)已經(jīng)擁有150萬(wàn)條術(shù)語(yǔ)和2450萬(wàn)條規(guī)則。然而，Cyc還遠(yuǎn)未達(dá)到通用智能的水平。20世紀(jì)80年代末，商業(yè)的寒風(fēng)帶來(lái)了人工智能的第二個(gè)寒冬。專家系統(tǒng)市場(chǎng)崩潰了，因?yàn)樗鼈冃枰獙ｉT的硬件，無(wú)法與越來(lái)越普遍、價(jià)格更低廉的臺(tái)式計(jì)算機(jī)競(jìng)爭(zhēng)。到20世紀(jì)90年代，學(xué)術(shù)上都不再流行研究符號(hào)人工智能或神經(jīng)網(wǎng)絡(luò)，因?yàn)檫@兩種策略似乎都失敗了。不過(guò)，取代專家系統(tǒng)的廉價(jià)計(jì)算機(jī)對(duì)連接主義者來(lái)說(shuō)是一個(gè)福音，他們突然獲得了足夠的計(jì)算能力來(lái)運(yùn)行具有多層人工神經(jīng)元的神經(jīng)網(wǎng)絡(luò)。這類系統(tǒng)被稱為“深度神經(jīng)網(wǎng)絡(luò)”，其實(shí)現(xiàn)的方法被稱為“深度學(xué)習(xí)”。多倫多大學(xué)的杰弗里?辛頓（Geoffrey Hinton）應(yīng)用了一種叫做“反向傳播”的原理來(lái)讓神經(jīng)網(wǎng)絡(luò)從其錯(cuò)誤中學(xué)習(xí)（參見《深度學(xué)習(xí)的工作原理》）。1988年，辛頓的博士后楊立昆進(jìn)入了AT&T貝爾實(shí)驗(yàn)室，他和一位名叫約書亞?本吉奧（Yoshua Bengio）的博士后將神經(jīng)網(wǎng)絡(luò)用于了光學(xué)字符識(shí)別；很快，美國(guó)的銀行就采用了這種技術(shù)來(lái)處理支票。辛頓、楊立昆和本吉奧最終獲得了2019年圖靈獎(jiǎng)，他們有時(shí)被稱為“深度學(xué)習(xí)之父”。然而，神經(jīng)網(wǎng)絡(luò)倡導(dǎo)者仍然面臨一個(gè)重大問(wèn)題：雖然有了理論框架和不斷增長(zhǎng)的計(jì)算能力，但世界上沒(méi)有足夠的數(shù)字?jǐn)?shù)據(jù)來(lái)訓(xùn)練他們的系統(tǒng)，至少對(duì)大多數(shù)應(yīng)用來(lái)說(shuō)是這樣的。春天還沒(méi)有到來(lái)。在過(guò)去20年中，一切都發(fā)生了變化。特別是萬(wàn)維網(wǎng)的繁榮發(fā)展，突然到處都是數(shù)據(jù)?；ヂ?lián)網(wǎng)上充斥著數(shù)碼相機(jī)和智能手機(jī)拍攝的圖像，維基百科和Reddit等網(wǎng)站充滿了可自由訪問(wèn)的數(shù)字文本，YouTube上也有大量視頻。最后，我們有了足夠的數(shù)據(jù)來(lái)為廣泛的應(yīng)用訓(xùn)練神經(jīng)網(wǎng)絡(luò)。另一個(gè)重****展得益于游戲業(yè)。英偉達(dá)等公司開發(fā)了一種名為“圖形處理單元”（GPU）的芯片，用于電子游戲中渲染圖像所需的繁重處理任務(wù)。游戲開發(fā)者也使用GPU來(lái)完成復(fù)雜的著色和幾何變換工作。需要強(qiáng)大計(jì)算能力的計(jì)算機(jī)科學(xué)家則意識(shí)到，他們其實(shí)可以讓GPU去做其他任務(wù)，比如訓(xùn)練神經(jīng)網(wǎng)絡(luò)。英偉達(dá)注意到了這一趨勢(shì)，因此創(chuàng)建了CUDA平臺(tái)，讓研究人員能夠使用GPU進(jìn)行通用處理。其中有一位來(lái)自辛頓實(shí)驗(yàn)室的博士生亞歷克斯?克里澤夫斯基（Alex Krizhevsky），他用CUDA為一個(gè)神經(jīng)網(wǎng)絡(luò)編寫了代碼，該神經(jīng)網(wǎng)絡(luò)在2012年給所有人留下了印象的深刻。他寫這個(gè)代碼是為了參加ImageNet競(jìng)賽，該競(jìng)賽向人工智能研究人員提出了挑戰(zhàn)，要求他們搭建起能夠?qū)?00多萬(wàn)張圖像分類為1000種物體的計(jì)算機(jī)視覺(jué)系統(tǒng)。雖然克里澤夫斯基的AlexNet并不是第一個(gè)用于圖像識(shí)別的神經(jīng)網(wǎng)絡(luò)，但它在2012年比賽中的表現(xiàn)引起了全世界的注意。AlexNet的錯(cuò)誤率為15%，而第二名的錯(cuò)誤率為26%。該神經(jīng)網(wǎng)絡(luò)的壓倒性勝利得益于GPU的強(qiáng)大性能和總計(jì)包含65萬(wàn)個(gè)神經(jīng)元的多層“深度”結(jié)構(gòu)。在第二年的ImageNet競(jìng)賽中，幾乎所有人都使用了神經(jīng)網(wǎng)絡(luò)。到2017年，許多參賽者的錯(cuò)誤率已降至5%，隨后組織者結(jié)束了該競(jìng)賽。深入學(xué)習(xí)騰飛了。借助GPU的計(jì)算能力和訓(xùn)練深度學(xué)習(xí)系統(tǒng)的大量數(shù)字?jǐn)?shù)據(jù)，自動(dòng)駕駛汽車可以在道路上行駛，語(yǔ)音助手可以識(shí)別用戶的語(yǔ)音，網(wǎng)絡(luò)瀏覽器可以在幾十種語(yǔ)言之間進(jìn)行翻譯。人工智能還在幾個(gè)曾被認(rèn)為機(jī)器無(wú)法獲勝的游戲中擊敗了人類冠軍，包括古老的圍棋和電子游戲《星際爭(zhēng)霸II》。前人工智能的繁榮已觸及每一個(gè)行業(yè)，為我們提供了識(shí)別模式和做出復(fù)雜決策的新方法。不過(guò)，深度學(xué)習(xí)的不斷成功依賴于增加神經(jīng)網(wǎng)絡(luò)的層數(shù)和增加用于訓(xùn)練它們的GPU時(shí)間。人工智能研究公司OpenAI的一項(xiàng)分析顯示，在2012年之前，訓(xùn)練最大的人工智能系統(tǒng)所需要的計(jì)算能力每?jī)赡攴环撕竺?.4個(gè)月翻一番。正如尼爾?C.湯普森（Neil C. Thompson）及其同事在《深度學(xué)習(xí)的回報(bào)在減少》一文中所述，許多研究人員擔(dān)心人工智能的計(jì)算需求存在不可持續(xù)問(wèn)題。為了避免破壞地球的能源預(yù)算，研究人員需要打破構(gòu)建這些系統(tǒng)的既定方式。雖然神經(jīng)網(wǎng)絡(luò)陣營(yíng)似乎已經(jīng)徹底擊敗了符號(hào)主義者，但事實(shí)上，這場(chǎng)戰(zhàn)爭(zhēng)的結(jié)果遠(yuǎn)沒(méi)有那么簡(jiǎn)單。以O(shè)penAI因操作和解魔方而成為頭條新聞的機(jī)械手為例。該機(jī)器人使用了神經(jīng)網(wǎng)絡(luò)和符號(hào)人工智能。它是諸多新型神經(jīng)符號(hào)系統(tǒng)之一，它使用神經(jīng)網(wǎng)絡(luò)進(jìn)行感知，使用符號(hào)人工智能進(jìn)行推理，這種混合方法既可以提高效率也能提高可解釋性。雖然深度學(xué)習(xí)系統(tǒng)往往像是以不透明和神秘方式進(jìn)行推理的黑匣子，但神經(jīng)符號(hào)系統(tǒng)能夠讓用戶深入了解人工智能是如何得出結(jié)論的。正如埃文?艾克曼（Evan Ackerman）在《深度學(xué)習(xí)進(jìn)入新兵訓(xùn)練營(yíng)》中所述，美國(guó)陸軍特別警惕依賴黑匣子系統(tǒng)，因此陸軍研究人員正在研究各種混合方法來(lái)推動(dòng)其機(jī)器人和自動(dòng)駕駛車輛的發(fā)展。想象一下，你能否使用陸軍的一個(gè)道路清理機(jī)器人并讓它給你煮一杯咖啡。這在今天是一個(gè)可笑的命題，因?yàn)樯疃葘W(xué)習(xí)系統(tǒng)是為狹義的目的而建立的，不能將其能力從一項(xiàng)任務(wù)推廣到另一項(xiàng)任務(wù)。更重要的是，學(xué)習(xí)一項(xiàng)新任務(wù)通常需要人工智能擦除它知道的所有關(guān)于如何解決先前任務(wù)的信息，這個(gè)難題被稱為“災(zāi)難性遺忘”。在谷歌位于倫敦的人工智能實(shí)驗(yàn)室DeepMind，著名的機(jī)器人學(xué)家拉亞?哈塞爾（Raia Hadsell）正在用各種復(fù)雜的技術(shù)解決該問(wèn)題。在《如何訓(xùn)練多用途機(jī)器人》一文中，湯姆?奇弗斯（Tom Chivers）解釋了為什么該問(wèn)題對(duì)于在不可預(yù)知的現(xiàn)實(shí)世界中行動(dòng)的機(jī)器人如此重要。其他研究人員正在研究新型元學(xué)習(xí)，以期開發(fā)出能夠?qū)W習(xí)怎樣學(xué)習(xí)，然后將該技能應(yīng)用于任何領(lǐng)域或任務(wù)的人工智能系統(tǒng)。所有這些策略都可能有助于研究人員實(shí)現(xiàn)其最崇高的目標(biāo)：用我們看到的兒童所發(fā)展出的流動(dòng)智力來(lái)構(gòu)建人工智能。幼兒不需要大量數(shù)據(jù)來(lái)得出結(jié)論。他們只是觀察世界，創(chuàng)建一個(gè)關(guān)于世界如何運(yùn)作的心智模型，采取行動(dòng)，并利用行動(dòng)的結(jié)果來(lái)調(diào)整其心智模型。他們會(huì)反復(fù)迭代直到理解為止。這個(gè)過(guò)程非常高效，甚至遠(yuǎn)遠(yuǎn)超出了當(dāng)今最先進(jìn)的人工智能的能力。
當(dāng)前的熱情使人工智能獲得了其加德納技術(shù)成熟度曲線，而且有關(guān)人工智能的資金已經(jīng)達(dá)到了歷史最高水平，鮮有證據(jù)表明我們的未來(lái)會(huì)失敗。世界各地的公司都在采用人工智能系統(tǒng)，因?yàn)樗鼈兛吹阶约旱挠澋拙€立即得到了改善，而且他們不會(huì)回頭。現(xiàn)在就看研究人員能否找到適應(yīng)深度學(xué)習(xí)的方法并使其更靈活、更穩(wěn)健，或者設(shè)計(jì)出我們?cè)谧寵C(jī)器變得更像人類的65年探索過(guò)程中從未想過(guò)的新方法。
作者：Eliza Strickland 

*博客內(nèi)容為網(wǎng)友個(gè)人發(fā)布，僅代表博主個(gè)人觀點(diǎn)，如有侵權(quán)請(qǐng)聯(lián)系工作人員刪除。